Enquanto uma ferida cicatriza, ela passa por diversas etapas: coagulação para interromper o sangramento, resposta do sistema imunológico, formação de crosta e cicatrização.
Um dispositivo vestível chamado “a-Heal”, desenvolvido por engenheiros da Universidade da Califórnia, Santa Cruz, tem como objetivo otimizar cada etapa desse processo. O sistema emprega uma pequena câmera e inteligência artificial (IA) para identificar a fase de cicatrização e fornecer um tratamento na forma de medicação ou um campo elétrico. O sistema responde ao processo único de cicatrização do paciente, oferecendo um tratamento personalizado.
O dispositivo portátil e sem fio pode tornar a terapia de feridas mais acessível para pacientes em áreas remotas ou com mobilidade reduzida. Os resultados iniciais de estudos pré-clínicos, publicados na revista npj Biomedical Innovations, mostram que o dispositivo acelera com sucesso o processo de cicatrização.
Desenvolvendo o a-Heal
Uma equipe de pesquisadores da UC Santa Cruz e da UC Davis, apoiada pelo programa DARPA-BETR e liderada pelo Professor Marco Rolandi, que é Cátedra Endowed em Engenharia Elétrica e de Computação (ECE) da UC Santa Cruz, projetou um dispositivo que combina uma câmera, bioeletrônica e IA para uma cicatrização mais rápida de feridas. A integração em um único dispositivo o torna um “sistema de circuito fechado” – um dos primeiros de seu tipo para cicatrização de feridas, segundo o conhecimento dos pesquisadores.
“Nosso sistema capta todos os sinais do corpo e, com intervenções externas, otimiza o progresso da cura,” disse Rolandi.
O dispositivo utiliza uma câmera embutida, desenvolvida pelo Professor Associado de ECE Mircea Teodorescu e descrita em um estudo na Communications Biology, que tira fotos da ferida a cada duas horas. As imagens são enviadas para um modelo de aprendizado de máquina (ML), desenvolvido pela Professora Associada de Matemática Aplicada Marcella Gomez, que os pesquisadores chamam de “médico IA”, operando em um computador próximo.
“É essencialmente um microscópio em um curativo,” afirmou Teodorescu. “Imagens individuais dizem pouco, mas ao longo do tempo, a imagem contínua permite que a IA detecte tendências, fases de cicatrização, sinalize problemas e sugira tratamentos.”
O médico IA utiliza a imagem para diagnosticar a fase da ferida e compara isso com o que seria esperado em uma linha do tempo ideal de cicatrização. Se a imagem indicar um atraso, o modelo de ML aplica um tratamento: seja uma medicação, administrada via bioeletrônica, ou um campo elétrico que pode melhorar a migração celular em direção ao fechamento da ferida.
A medicação entregue topicamente pelo dispositivo é a fluoxetina, um inibidor seletivo da recaptação de serotonina que controla os níveis de serotonina na ferida, melhorando a cicatrização ao reduzir a inflamação e aumentar o fechamento do tecido da ferida. A dosagem, determinada por estudos pré-clínicos do grupo Isseroff na UC Davis para otimizar a cicatrização, é administrada por atuadores bioeletrônicos no dispositivo, desenvolvidos por Rolandi. Um campo elétrico, otimizado para melhorar a cicatrização e desenvolvido por trabalhos anteriores de Min Zhao e Roslyn Rivkah Isseroff da UC Davis, também é aplicado através do dispositivo.
O médico IA determina a dosagem ideal da medicação a ser administrada e a intensidade do campo elétrico aplicado. Após o tratamento ser administrado por um determinado período, a câmera captura outra imagem e o processo reinicia.
Durante o uso, o dispositivo transmite imagens e dados como a taxa de cicatrização para uma interface web segura, permitindo que um médico humano intervenha manualmente e ajuste o tratamento conforme necessário. O dispositivo é acoplado diretamente a um curativo comercialmente disponível para uso conveniente e seguro.
Para avaliar o potencial para uso clínico, a equipe da UC Davis testou o dispositivo em modelos de feridas pré-clínicos. Nestes estudos, as feridas tratadas com o a-Heal seguiram uma trajetória de cicatrização cerca de 25% mais rápida do que o tratamento padrão. Esses achados destacam a promessa da tecnologia não apenas para acelerar o fechamento de feridas agudas, mas também para reiniciar a cicatrização em feridas crônicas paralisadas.
Reforço da IA
O modelo de IA utilizado para este sistema, liderado pela Professora Assistente de Matemática Aplicada Marcella Gomez, aplica uma abordagem de aprendizado por reforço, conforme descrito em um estudo na revista Bioengineering, para imitar a abordagem diagnóstica utilizada pelos médicos.
O aprendizado por reforço é uma técnica na qual um modelo é projetado para atingir um objetivo específico, aprendendo através de tentativa e erro a melhor forma de alcançar esse objetivo. Nesse contexto, o modelo tem como meta minimizar o tempo para o fechamento da ferida, sendo recompensado por avanços rumo a esse objetivo. Ele aprende continuamente com o paciente e adapta sua abordagem de tratamento.
O modelo de aprendizado por reforço é guiado por um algoritmo que Gomez e seus alunos criaram, chamado Deep Mapper, descrito em um estudo pré-publicado, que processa as imagens das feridas para quantificar a fase de cicatrização em comparação com a progressão normal, mapeando-a ao longo da trajetória de cicatrização. À medida que o tempo passa com o dispositivo em uma ferida, ele aprende um modelo dinâmico linear da cicatrização passada e usa isso para prever como a cicatrização continuará a evoluir.
“Não é suficiente apenas ter a imagem, é necessário processá-la e colocá-la em contexto. Então, você pode aplicar o controle de feedback,” afirmou Gomez.
Essa técnica permite que o algoritmo aprenda em tempo real o impacto do medicamento ou do campo elétrico na cicatrização, guiando as decisões iterativas do modelo de aprendizado por reforço sobre como ajustar a concentração do medicamento ou a intensidade do campo elétrico.
Atualmente, a equipe de pesquisa está explorando o potencial desse dispositivo para melhorar a cicatrização de feridas crônicas e infectadas.
Publicações adicionais relacionadas a este trabalho podem ser encontradas vinculadas aqui.
Esta pesquisa foi apoiada pela Agência de Projetos de Pesquisa Avançada de Defesa e pela Agência de Projetos de Pesquisa Avançada para a Saúde.
